Escolar Documentos
Profissional Documentos
Cultura Documentos
CAMPUS MARACANAÚ
EIXO TECNOLÓGICO DA INDÚSTRIA
MARACANAÚ
2023
FRANCISCO ERICK DE OLIVEIRA SOUSA
BRUNO PEREIRA TAKAZONO
MARACANAÚ
2023
SUMÁRIO
1. Introdução...........................................................................................................................3
2. Metodologia........................................................................................................................ 3
3. Resultados.......................................................................................................................... 5
3.1 Resultados da base de dados Dermatologia............................................................... 5
3.2 Resultados base de dados Coluna Vertebral............................................................... 6
4. Conclusão........................................................................................................................... 8
5. Apêndice............................................................................................................................. 9
1. Introdução
2. Metodologia
3
Foi aplicado o One-Hot Encoder à variável alvo, cada categoria é
representada por uma coluna binária separada. Essa técnica garante que a
representação da categoria seja adequada para fins de classificação, com um valor
de 1 atribuído à categoria correspondente na coluna e valores de 0 nas demais
colunas para indicar a não pertinência às outras categorias.
A base de dados foi dividida em uma proporção de 80% para treinamento e
20% para teste.
No contexto da classificação, dois modelos de RNA foram utilizados: PS e
MLP. Ambos os modelos foram treinados com um número fixo de épocas, que
representa o número de vezes que o algoritmo percorre todo o conjunto de
treinamento durante o processo de aprendizagem. Para determinar o desempenho
ideal do modelo, o passo de aprendizagem foi selecionado com base em
experimentos empíricos.
No caso específico das duas bases de dados mencionadas (Coluna Vertebral
e Dermatologia), foram escolhidos os mesmos valores para learning rate e número
de épocas:
● Número de épocas: 100
● Learning rate: 0.01
No caso específico da MLP, além das épocas e do passo de aprendizagem, é
necessário especificar o número de neurônios na camada oculta. Essa decisão foi
tomada por meio de experimentação, explorando diferentes configurações de
números de neurônios em um range de 2 a 32 e avaliando o desempenho
resultante. O objetivo era encontrar a combinação mais adequada que resultasse
em um desempenho otimizado para o modelo.
● Número de neurônios na camada oculta (Dermatologia): 10
● Número de neurônios na camada oculta (Coluna Vertebral): 16
Todas as escolhas feitas em relação ao passo de aprendizagem, número de
épocas e número de neurônios na camada oculta foram baseadas em uma
abordagem experimental. Diferentes configurações foram avaliadas e comparadas
para identificar a combinação que resulta em um desempenho otimizado.
Essa abordagem experimental permite ajustar os parâmetros do modelo para
obter resultados mais precisos e aprimorar o desempenho geral da RNA na tarefa
de classificação.
Após o treinamento do modelo, ele foi avaliado utilizando os dados de treino
4
e teste. Essa etapa de avaliação com os dados de teste é essencial para verificar a
capacidade do modelo de generalizar o aprendizado e avaliar seu desempenho em
dados totalmente desconhecidos.
3. Resultados
5
Tabela 3 - Matrizes Confusão da base de dados dermatologia na rede MLP após 50 rodadas.
Tabela 4 - Resultados média accuracy da base de dados coluna vertebral após 50 rodada
6
Tabela 5 - Matrizes Confusão da base de dados coluna vertebral na rede PS após 50 rodadas.
Tabela 6 - Matrizes Confusão da base de dados coluna vertebral na rede MLP após 50 rodadas.
7
4. Conclusão
8
5. Apêndice